云舟观测智能体系统（GC Agent System）通过模块化架构和双模式执行策略，实现智能运维诊断。系统分为用户层、编排层、工具层等五层，支持路由专家模式和AI自由探索模式，灵活应对不同场景。创新点包括流式响应、智能工具调用及三层鉴权体系，确保高效安全。基于Redis的会话管理和Traceloop全链路追踪，提升系统可观测性，为企业打造自动化运维新范式。

B站用AI自动分析UP主群聊，四层架构实现高效洞察：数据采集→AI结构化→群体分析→运营决策。双模型协作降低幻觉率，分层Prompt确保高精度，语义聚类动态捕捉热点。系统日均处理600条反馈，覆盖扩大10倍，还能预警风险事件，推动问题闭环。AI让运营从被动响应升级为主动洞察，真正规模化记录用户声音。

Blades v0.3.0 发布，支持构建智能体系统（Agentic Systems），涵盖工作流（Workflow）和智能体（Agent）两大核心概念。工作流依赖预设步骤，适用于标准化任务；智能体则具备自主性和适应性，动态决策任务执行。Blades 提供多种工作流模式，如串联、并行、路由、编排-工作者、评估-优化等，帮助开发者灵活应对不同业务场景。通过简洁的 Go 语言接口和可插拔组件，Blades 让智能体构建更高效、易扩展。

AI代理处理长时任务时面临跨会话记忆缺失的挑战。通过初始化代理搭建基础环境并创建功能清单，编码代理随后以增量方式逐个实现功能，每轮会话后提交清晰的Git记录和进度文件。这种方法解决了代理一次性处理过多任务或过早宣布完成的问题，同时确保代码始终处于可维护状态。结合自动化测试工具，显著提升了复杂项目（如网页应用开发）的完成质量。

AI编程元年爆发，Copilot、Cursor等工具用户激增，大幅降低开发门槛。企业研发转向算力驱动，人力转为编排设计。有赞探索AI Coding、AI Test和Agent评测，通过多Agent协同解决大规模工程问题。AI增强测试用例生成与执行，提升效率但需人工监督。实践表明，AI适合执行性任务，需分阶段落地，结合程序与LLM优势，避免过度依赖。私有化基建与行业能力串联是关键。

教学场景化AI测试面临三大痛点：工具孤岛与数据碎片、测试用例依赖人工、测试信心不足。通过建立“翻译中心”统一覆盖率数据，引入“染色标记系统”追踪代码覆盖来源，AI生成功能与自动化用例，提升测试效率。AI助力测试，打破质量与效率的不等式，实现高效交付与业务成功。

支付宝技术团队基于Kotlin Multiplatform（KMP）框架推出AI编码助手，通过设计稿生码、图生码等技术帮助开发者快速生成跨端UI代码，并利用RAG检索和MCP工具链解决KMP开发中的构建失败、闪退排查等痛点。该助手整合了多模态大模型和自研算法，显著提升开发效率，未来将扩展更多原生技术栈支持，推动AI在软件开发全周期的应用。

Agent作为人工智能领域的智能体，具备感知、决策、执行和进化的核心能力。其架构包括规划、记忆、工具调度等模块，通过大模型驱动实现自主任务处理。Agent可分为反思、工具调用、规划及多智能体协作四种形态，开发框架如AutoGen、LangGraph等各具优势。构建Agent需注重上下文工程、记忆系统及工具调度，评估则依赖特定Benchmark数据集。

Agent Skills让AI能力扩展平民化，用户无需编程即可定制AI功能。通过模块化设计，Claude能自动调用Skills处理文档、数据等任务，提升效率并确保准确性。与MCP相比，Skills更简单安全，适合标准化任务。官方提供预建Skills，支持自定义，未来AI定制时代已来，人类将更专注于创造与决策。

大模型时代，智能体（Agent）与工作流的界限逐渐模糊，实际应用中需在自主性与可控性间寻找平衡。单Agent处理简单任务高效，但面对复杂场景时，多智能体系统（MAS）更具优势。LangGraph4j框架通过状态图模型，支持多Agent协作，提升任务处理能力与系统鲁棒性。开发者应根据业务需求，灵活选择架构，实现最佳效果。

货拉拉数据工厂面对3000+工具和日均50万次调用的挑战，启动AI智能化转型，目标是让用户通过自然语言描述需求，系统自动匹配并执行工具，提升效率。采用LLM+RAG+MCP技术方案，智能体上线后用户渗透率达500+，核心场景效率提升70%，新用户上手时间缩短至1分钟内，验证了AI赋能数据工厂的可行性。未来将持续优化表述引导和职责拆分，减少LLM幻觉，探索微调路径，逐步深化智能化应用。

AI Agent虽火，但实际应用中仍面临挑战。公司项目上下文碎片化、稳定性要求高、架构设计需前瞻性，AI难以完全胜任。合理使用AI可辅助业务逻辑梳理、影响面分析和生成Mock数据。提升AI编码表现可通过制定编码规范、项目特定约定和场景化Prompt模板。AI是开发辅助工具，核心业务理解与设计仍需人力完成。

在算法实验中，仅关注核心指标的提升是不够的，还需识别潜在风险，评估隐性影响。实验分析Agent通过“汇总数据—分项分析—总结呈现”的框架，实现智能化分析闭环。产品设计注重助手化体验，统一表单简化用户操作，基于DAG的工作流编排提升分析质量。大模型选型结合京东自有模型，优化提示词工程，确保生成质量。未来将探索知识蒸馏和灵活数据工程框架，提升产品交互体验。

Agent是LLM应用演进的第三阶段，能自主规划决策、调用工具完成任务。从Prompt到Chain再到Agent，LLM应用逐步实现智能化升级。Agent通过"规划器+执行器"架构，让模型自行思考行动；Multi-Agent则通过分工协作提升稳定性。虽然当前仍面临智能不足的挑战，但Agent模式已展现出"AI+"的潜力，为LLM落地应用开辟了新路径。

本文展示了如何构建和训练一个自校正的SQL代理，利用Agent Lightning和LangGraph实现强化学习训练。通过状态机设计，代理能够循环检查和重写SQL查询，直至准确或达到最大尝试次数。训练采用分布式客户端-服务器架构，提升模型性能。实验表明，更长上下文和更多尝试次数能提高准确性，但需权衡效率。

Grab作为东南亚超级应用，面临复杂风控挑战，传统模式难以应对。通过大模型与智能体技术，构建了智能风控分析平台，实现“知识注入+流程重构”。平台利用RAG技术和树状SOP设计，提升风险分析的精准度和效率，支持多源异构数据处理，分析师与AI协同工作，大幅提升风控能力，为未来风控业务提供了智能化解决方案。